CN110090017B - 一种基于lstm的脑电信号源定位方法 - Google Patents
一种基于lstm的脑电信号源定位方法 Download PDFInfo
- Publication number
- CN110090017B CN110090017B CN201910178711.0A CN201910178711A CN110090017B CN 110090017 B CN110090017 B CN 110090017B CN 201910178711 A CN201910178711 A CN 201910178711A CN 110090017 B CN110090017 B CN 110090017B
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- signal
- source
- scalp
- lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 210000004761 scalp Anatomy 0.000 claims description 35
- 210000004556 brain Anatomy 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 210000004884 grey matter Anatomy 0.000 claims description 6
- 210000004885 white matter Anatomy 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 5
- 210000003128 head Anatomy 0.000 claims description 4
- 238000012880 independent component analysis Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000005013 brain tissue Anatomy 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009021 linear effect Effects 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 claims description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 210000003625 skull Anatomy 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000008035 nerve activity Effects 0.000 claims 1
- 238000007917 intracranial administration Methods 0.000 abstract description 5
- 210000002569 neuron Anatomy 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 206010015037 epilepsy Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000036624 brainpower Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开一种基于LSTM的脑电信号源定位方法，包括以下步骤：步骤(1)、模拟脑电数据生成；步骤(2)基LSTM的定位模型构建、步骤(3)、模拟脑电数据训练定位模型；步骤(4)、真实脑电数据预处理；步骤(5)、针对真实脑电数据的信号源定位。采用本发明技术方案，可以根据采集的脑电信号推测出信号源在颅内位置。
Description
技术领域
本发明属于脑电信号处理领域，尤其涉及一种基于LSTM的脑电信号源定位方法，为根据脑电数据推测颅内神经元的活动提供技术手段。
背景技术
脑电信号(Electroencephalograph，EEG)是通过头皮覆盖电极和导电介质采集到的大脑神经元细胞的放电情况，是一种非常流行的非侵入式检测人类大脑活动的技术，它具有毫秒级别的瞬时分辨率等特点，已被广泛用于大脑网络和脑机接口等研究，成为研究脑科学的一种重要手段。脑电信号是颅内神经元集群动作电位的综合表现，通过头皮脑电(EEG)来重建颅内神经元的活动被称为EEG源成像问题，主要涉及信号源特征重建和信号源位置定位这两类问题。信号源位置定位已成为非常热门的研究领域，已被应用于如癫痫等多种疾病的临床诊断和治疗中。
现有的脑电源定位方法一般都是求解脑模型传导方程来解出脑电源位置和特征的数值解，而脑模型传导方程是个偏微分方程，在有限的信号测量次数下，该方程并没有唯一解，导致脑电信号源定位问题成为非常棘手的为题。通过对传导方程添加额外的约束条件成为求解这类问题的主流方案，常用的约束条件主要有L1范数、L2范数和贝叶斯推理等，由此产生的脑电信号源定位方法有STRAPS、wMNE、LORETA、SBL等。但上述方法都依赖极度于约束条件的选取，好的约束条件能带来好的结果，而受限于神经生物学的发展，约束条件的选取基本靠猜测和尝试，并没有一个科学的指导，导致传统的脑电信号源定位方法并没有取得一个良好的，被临床医学广泛应用的效果。
随着人工智能技术的发展，深度学习在图像，自然语言处理，机器翻译等领域都取得了重大突破，表现出比传统方法更好的性能。在上述领域，深度学习几乎打败了所有的传统方法，因此将深度学习应用于脑电信号分析是将会是个不错的尝试，特别是将深度神经网络回归模型应用于脑电信号源的定位问题。通过大量的数据训练神经网络，使网络学到从脑电源到头皮脑电的映射关系，也即脑模型传导方程，直接绕开了对微分方程的手动求解，巧妙地解决了方程没有唯一解的问题，从而大大提高了脑电信号源的定位精度，并且减少了求解问题的复杂度。
发明内容
针对上述背景，本发明提出一种基于LSTM的脑电信号源定位方法，该方法可以根据采集的脑电信号推测出信号源在颅内位置。
为实现上述目标，本发明采用如下的技术方案：一种基于LSTM的脑电信号源定位方法，具体包括以下步骤：
步骤(1)模拟脑电数据生成
通过Fieldtrip工具包生成模拟脑电数据，数据由128个通道构型，代表采集头皮脑电脑电的128个电极，将生成的数据分成测试集和验证集。
步骤(2)基LSTM的定位模型构建
本方法使用的神经网络是由两个LSTM组成的深度神经网络回归模型，采用随机梯度下降算法训练网络，网络的损失函数为平方误差损失。网络有两个输入，一个为多通道的脑电信号，另一个为假设的源初始三维坐标(如：0.5，0.5，0.5)。整个网络可以被分为四层：第一层为信号输入层，接受原始头皮脑电信号作为网络的输入；第二层为链接在输入层后的 LSTM，第一层为其输入；第三层也是一个LSTM层，第三层有两个输入，一个为第二层LSTM的状态值输出，另一个输入为假设的源初始三维坐标(如：0.5，0.5，0.5)；第四层为由三个神经元构成的全连接层，三个神经元分别代表信号源的三维坐标值。通过最小化损失函数来使网络的输出(预测的信号源最终三维坐标)接近给定的标签值。
步骤(3)模拟脑电数据训练定位模型
使用生成的模拟脑电数据来训练定位模型，并在根据测试结果调整网络参数，使得定位模型在模拟数据上的定位精度达到最优。
步骤(4)真实脑电数据预处理
对采集到的真实脑电数据进行预处理操作，主要包括去尾迹，去噪声，去基线等操作。
步骤(5)针对真实脑电数据的信号源定位
将采集到的真实脑电送到训练好的定位模型中，此时模型就可以根据输入的脑电信号计算出信号源的位置。
附图说明
图1为本发明所涉及方法的流程图。
图2基于LSTM的定位模型示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步的描述。
本发明所涉及方法的流程图如图1所示，包括以下步骤：
步骤1：模拟脑电数据生成
本发明通过Fieldtrip工具包生成模拟脑电数据。采用标准头模型的MRI图像和标准BIOSEMI-128脑电系统生成头皮脑电信号。利用FEM建立相应的头模型，大脑组织分为灰质、白质、脑脊液、头骨、头皮五类，其对应的传导率分别设定为0.43、0.0024、1.79、0.14 和0.33。源信号的位置是从灰质和白质对应的所有体素中随机选择的，通常情况下认为，偶极子源是存在于大脑皮质也就是灰质和白质所在位置上。而为了使训练样本包含偶极子源处于各个位置的情况，增加模型的泛化性能，在生成模拟脑电时在所有可能的位置中随机选取。并在生成的信号中也加入了白噪声来提高泛化能力，数据生成的公式为：
其中xk是信号源在时刻k的值，xk的前τ个值是随机选取的，
把实验生成的数据集以9:1的比例分成训练数据集和测试数据集，其中训练数据集用于训练回归网络，而测试数据集则用于评价网络定位信号源的精度。生成的头皮脑电信号表示为一个m*p*q的矩阵，其中m表示样本总量，p表示头皮脑电采样点的个数，p＝r*t，其中r表示采样频率，t表示采样时间，q表示通道数，即采集头皮脑电的电极的个数。
步骤2：基LSTM的定位模型构建
1)利用贝叶斯模型建模脑电信号源定位问题
对于脑电逆问题，根据贝叶斯建模，神经活动的重建可以表示为计算条件概率分布 P(st|lt-m，lt-m+1，…，lt)。根据先验概率公式，源活动st在观测信号lt-m，lt-m+1，…，lt下的分布可以表示为：
P(lt-m，lt-m+1，…，lt|st)表示在源活动st的条件下，头皮脑电信号的观测值；P(st)和 P(lt-m，lt-m+1，…，lt)分别可表示空间和时间上的先验分布。而P(lt-m，lt-m+1，…，lt)可以通过多维自回归模型(MAR)或时间基函数(TBFs)进行建模。因此，在本方法中，假设这些先验知识可以通过网络所代表的函数fnet(·)进行表示。根据学习理论的思想，当源信号活动和的对应的头皮脑电具有足够数量的样本时，该函数可以根据数据驱动的方法获得。
2)基于LSTM的定位模型构建
该网络包含两个通路，头皮脑电编码和源信号解码，分别从头皮信号和源信号提取时空隐含的位置信息和位置表达的结构。对于头皮信号的编码部分，LSTM网络与不同电极间的连接和不同时刻隐含层的连接可以对于头皮脑电中的空间和时间关系分别编码。对于源信号解码部分，网络将编码得到的隐含位置信息按照目标的源信息的形式进行解码。
假设输入的头皮脑电信号序列为lt，t＝1，…，T，其中每个时刻的输入
包含d个不同电极获得的信号。LSTM网络提取到的时空隐含关系保存在隐含层中并传递给解码网络。每个时刻，隐含层节点与当前时刻的头皮脑电输入连接且和上一时刻隐含层的节点相连。 LSTM单元的结构，隐含层状态ht可表示如下：
ft＝σ(Wf.[ht-1，xt]+bf)
it＝σ(Wi.[ht-1，xt]+bi)
Ct＝tanh(WC.[ht-1，xt]+bC
Ct＝ft*Ct-1+It*Ct)
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
其中，it是输入门，用来模拟将输入信号中的信息选择性地记录在隐含状态的过程；ft是遗忘门，用来模拟将隐含状态中的部分信息选择性地遗忘的过程；ot是输出门，用来模拟将上个隐含状态的信息选择性地输出给下个隐含状态的过程；gt是输入调制门，是对输入信号的变换的过程；ct是记忆单元，只经过少量线性作用进行传递，从而尽量让信息保持不变； ht是隐含单元，其中提取了脑电信号的时空隐含位置信息。δ(·)和φ(·)分别是非线性Sigmoid 函数和双曲正切函数；W表示下标对应的层和门之间的权重矩阵；b表示下标对应的门的偏置；
是门操作中对应元素乘积运算。在公式(5-8)到(5-11)中，脑电信号的空间信息保存在输入层与隐含层的连接权Wl*中；而脑电信号的时间信息保存在上个隐含层与当前隐含层连接权Wh*中。
在源信号的解码阶段，解码的网络是一个单步的LSTM，其初始状态为头皮脑电编码 LSTM的隐含层。隐含层和输出层的是全连接的，最终输出源信号的位置参数，是源信号的坐标位置。提出的方法是通过回归源的坐标实现的。因此采用均方误差(mean squareerror, MSE)作为网络的损失函数。
其中，xi＝(lt-m，lt-m+1，…，lt)表示第i个头皮脑电输入，yi表示第i个输入的源所在的位置， N表示总共的样本数。
步骤3：模拟脑电数据训练定位模型
将生成的模拟脑电数据中的训练数据集来训练定位模型，并在验证数据集上调整模型，通过Keras-tensorflow工具包编程实现定位。选取的编码和解码的LSTM网络均有784个隐含层节点，输入信号的长度为250，因此有250个时间步。解码的LSTM网络直接连接3 个输出节点。并通过Adam作为迭代优化器使损失函数达到最优。使输出节点的输出值逼近源信号的位置坐标。将生成的15000个训练数据送入提出的网络进行训练，训练的迭代次数设置为400。训练获得的模型在1000个生成的测试数据中进行验证。
步骤4：真实脑电数据预处理
对采集到的真实脑电数据进行预处理操作，包括：带通滤波(0.3-47Hz)、平均重参考、基线漂移去除、独立成分分析(ICA)并通过ADJUST算法去除伪迹成分。并利用滑动窗口将脑电信号分割成1秒的片段，每个片段有256个采样点。
步骤(5)针对真实脑电数据的信号源定位
将采集到的真实脑电送到训练好的定位模型中，此时模型就可以根据输入的脑电信号计算出信号源的位置。定位准确率的评价函数为：
其中，真实源位置为(x，y，z)，估计位置为
综上所述，与现有技术相比，本发明具有以下明显的优势和有益效果：本发明使用由 LSTM组成的深度神经网络模型来模拟脑电信号的传导过程从而计算出头皮脑电对应的信号源三维坐标，操作简单，无需人为的设置参数，节省时间的人力成本。其外，本方法不必人力对脑电信号进行去燥和特征提取，为神经科学、脑科学等提供新的思路，并为如癫痫等涉及脑功能的疾病提供诊断和治疗依据。
Claims (2)
1.一种基于LSTM的脑电信号源定位方法，其特征在于，包括以下步骤：
步骤1：模拟脑电数据生成
通过Fieldtrip工具包生成模拟脑电数据，采用标准头模型的MRI图像和标准BIOSEMI-128脑电系统生成头皮脑电信号；
步骤2：基LSTM的定位模型构建
1)利用贝叶斯模型建模脑电信号源定位
对于脑电逆问题，根据贝叶斯建模，神经活动的重建表示为计算条件概率分布P(st|lt-m，lt-m+1，…，lt)，根据先验概率公式，源活动st在观测信号lt-m，lt-m+1，…，lt下的分布表示为：
P(lt-m，lt-m+1，…，lt|st)表示在源活动st的条件下，头皮脑电信号的观测值；P(st)和P(lt-m，lt-m+1，…，lt)分别表示空间和时间上的先验分布；
2)基于LSTM的定位模型构建
采用由两个LSTM组成的深度神经网络回归模型，其网络包含两个通路，头皮脑电编码和源信号解码，分别从头皮信号和源信号提取时空隐含的位置信息和位置表达的结构，对于头皮信号的编码部分，LSTM网络与不同电极间的连接和不同时刻隐含层的连接对于头皮脑电中的空间和时间关系分别编码，对于源信号解码部分，网络将编码得到的隐含位置信息按照目标的源信息的形式进行解码，其中，
假设输入的头皮脑电信号序列为lt，t＝1，…，T，每个时刻的输入
包含d个不同电极获得的信号，LSTM网络提取到的时空隐含关系保存在隐含层中并传递给解码网络，每个时刻，隐含层节点与当前时刻的头皮脑电输入连接且和上一时刻隐含层的节点相连，LSTM单元的结构，隐含层状态ht表示如下：
ft＝σ(Wf·[ht-1，xt]+bf)
it＝σ(Wi·[ht-1，xt]+bi)
ot＝σ(Wo·[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
其中，it是输入门，用来模拟将输入信号中的信息选择性地记录在隐含状态的过程；ft是遗忘门，用来模拟将隐含状态中的部分信息选择性地遗忘的过程；ot是输出门，用来模拟将上个隐含状态的信息选择性地输出给下个隐含状态的过程；gt是输入调制门，是对输入信号的变换的过程；ct是记忆单元；ht是隐含单元，其中提取了脑电信号的时空隐含位置信息；δ(·)和φ(·)分别是非线性Sigmoid函数和双曲正切函数；W表示下标对应的层和门之间的权重矩阵；b表示下标对应的门的偏置；⊙是门操作中对应元素乘积运算；脑电信号的空间信息保存在输入层与隐含层的连接权Wl*中；而脑电信号的时间信息保存在上个隐含层与当前隐含层连接权wh*中，
在源信号的解码阶段，解码的网络为单步的LSTM，其初始状态为头皮脑电编码LSTM的隐含层，隐含层和输出层的是全连接的，最终输出源信号的位置参数，是源信号的坐标位置，通过回归源的坐标实现的，采用均方误差(mean square error，MSE)作为网络的损失函数；
其中，xi＝(lt-m，lt-m+1，…，lt)表示第i个头皮脑电输入，yi表示第i个输入的源所在的位置，N表示总共的样本数，
步骤3：模拟脑电数据训练定位模型
使用生成的模拟脑电数据来训练定位模型，并在根据测试结果调整网络参数，使得定位模型在模拟数据上的定位精度达到最优；
步骤4：真实脑电数据预处理
对采集到的真实脑电数据进行预处理操作，包括：带通滤波、平均重参考、基线漂移去除、独立成分分析(ICA)，并通过ADJUST算法去除伪迹成分，并利用滑动窗口将脑电信号分割成1秒的片段，每个片段有256个采样点；所述带通滤波的范围为0.3-47Hz；
步骤(5)针对真实脑电数据的信号源定位
将采集到的真实脑电送到训练好的定位模型中，此时模型就根据输入的脑电信号计算出信号源的位置；定位准确率的评价函数为：
其中，真实源位置为(x，y，z)，估计位置为
2.如权利要求1所述的基于LSTM的脑电信号源定位方法，其特征在于，步骤1具体为：利用FEM建立相应的头模型，大脑组织分为灰质、白质、脑脊液、头骨、头皮五类，其对应的传导率分别设定为0.43、0.0024、1.79、0.14和0.33，源信号的位置是从灰质和白质对应的所有体素中随机选择的，偶极子源是存在于灰质和白质所在位置上；数据生成的公式为：
其中xk是信号源在时刻k的值，xk的前τ个值是随机选取的，
将生成的数据集以9∶1的比例分成训练数据集和测试数据集，其中，训练数据集用于训练回归网络，而测试数据集则用于评价网络定位信号源的精度，生成的头皮脑电信号表示为一个m*p*q的矩阵，其中m表示样本总量，p表示头皮脑电采样点的个数，p＝r*t，其中r表示采样频率，t表示采样时间，q表示通道数，即采集头皮脑电的电极的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910178711.0A CN110090017B (zh) | 2019-03-11 | 2019-03-11 | 一种基于lstm的脑电信号源定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910178711.0A CN110090017B (zh) | 2019-03-11 | 2019-03-11 | 一种基于lstm的脑电信号源定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110090017A CN110090017A (zh) | 2019-08-06 |
| CN110090017B true CN110090017B (zh) | 2021-09-14 |
Family
ID=67443950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910178711.0A Active CN110090017B (zh) | 2019-03-11 | 2019-03-11 | 一种基于lstm的脑电信号源定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110090017B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112669938B (zh) * | 2020-12-11 | 2023-11-21 | 苏州景昱医疗器械有限公司 | 颅脑医学影像中脑内分片电极的方位识别方法及设备 |
| CN112764526B (zh) * | 2020-12-29 | 2022-10-21 | 浙江大学 | 一种基于多模型动态集成的自适应脑机接口解码方法 |
| CN112890833A (zh) * | 2021-01-21 | 2021-06-04 | 河南省轻工业学校 | 一种基于鸽脑电信号对不同颜色刺激模式的预测方法 |
| CN113948189B (zh) * | 2021-12-22 | 2022-03-15 | 北京航空航天大学杭州创新研究院 | 基于gru神经网络的meg源定位方法 |
| CN114052668B (zh) * | 2022-01-17 | 2022-06-17 | 北京航空航天大学杭州创新研究院 | 一种基于脑磁图数据的脑功能分析方法 |
| CN115238745A (zh) * | 2022-06-13 | 2022-10-25 | 四川新源生物电子科技有限公司 | 一种模拟采集脑电信号的生成方法和系统 |
| CN116491960B (zh) * | 2023-06-28 | 2023-09-19 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1272105A2 (en) * | 2000-03-30 | 2003-01-08 | The General Hospital Corporation | Method and apparatus for objectively measuring pain, pain treatment and other related techniques |
| WO2014018661A1 (en) * | 2012-07-24 | 2014-01-30 | Cerephex Corporation | Method and apparatus for diagnosing and assessing central pain |
| CN105559777A (zh) * | 2016-03-17 | 2016-05-11 | 北京工业大学 | 基于小波包和lstm型rnn神经网络的脑电识别方法 |
| CN108852350A (zh) * | 2018-05-18 | 2018-11-23 | 中山大学 | 一种基于深度学习算法的头皮脑电图致痫区的识别与定位方法 |
| CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160034812A1 (en) * | 2014-07-31 | 2016-02-04 | Qualcomm Incorporated | Long short-term memory using a spiking neural network |
-
2019
- 2019-03-11 CN CN201910178711.0A patent/CN110090017B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1272105A2 (en) * | 2000-03-30 | 2003-01-08 | The General Hospital Corporation | Method and apparatus for objectively measuring pain, pain treatment and other related techniques |
| WO2014018661A1 (en) * | 2012-07-24 | 2014-01-30 | Cerephex Corporation | Method and apparatus for diagnosing and assessing central pain |
| CN105559777A (zh) * | 2016-03-17 | 2016-05-11 | 北京工业大学 | 基于小波包和lstm型rnn神经网络的脑电识别方法 |
| CN108852350A (zh) * | 2018-05-18 | 2018-11-23 | 中山大学 | 一种基于深度学习算法的头皮脑电图致痫区的识别与定位方法 |
| CN109389059A (zh) * | 2018-09-26 | 2019-02-26 | 华南理工大学 | 一种基于cnn-lstm网络的p300检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110090017A (zh) | 2019-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110090017B (zh) | 一种基于lstm的脑电信号源定位方法 | |
| Wang et al. | Single slice based detection for Alzheimer’s disease via wavelet entropy and multilayer perceptron trained by biogeography-based optimization | |
| CN109376751B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| WO2023178916A1 (zh) | 一种基于磁共振和孪生图神经网络的脑图谱个体化方法及系统 | |
| CN109640810B (zh) | 调整患者脑中的致癫痫性的方法 | |
| CN105147288B (zh) | 脑磁源强度定位方法 | |
| CN111096745B (zh) | 基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法 | |
| CN106971410A (zh) | 一种基于深度学习的白质纤维束重建方法 | |
| CN104605845B (zh) | 一种基于diva模型的脑电信号处理方法 | |
| CN110522412A (zh) | 基于多尺度脑功能网络分类脑电信号的方法 | |
| Wei et al. | Edge sparse basis network: a deep learning framework for EEG source localization | |
| Janapati et al. | Towards a more theory-driven BCI using source reconstructed dynamics of EEG time-series | |
| CN107248180A (zh) | 一种基于隐状态模型的fMRI自然图像解码方法 | |
| CN114463493A (zh) | 基于编解码结构的经颅磁刺激电场快速成像方法和模型 | |
| CN110321827A (zh) | 一种基于人脸疼痛表情视频的疼痛水平评估方法 | |
| CN113988123A (zh) | 一种基于自加权增量rvfl网络的脑电疲劳预测方法 | |
| Llorella et al. | Convolutional neural networks and genetic algorithm for visual imagery classification | |
| Qiang et al. | Learning brain representation using recurrent Wasserstein generative adversarial net | |
| Huang et al. | Learning shared neural manifolds from multi-subject FMRI data | |
| CN116596046A (zh) | 一种利用脑电信号和视觉特征进行图像重构的方法 | |
| CN115813409A (zh) | 一种超低延迟的运动图像脑电图解码方法 | |
| CN114428555B (zh) | 一种基于皮层源信号的脑电运动意图识别方法及系统 | |
| Aram et al. | Spatiotemporal multi-resolution approximation of the Amari type neural field model | |
| Pascarella et al. | Statistical approaches to the inverse problem |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190806 Assignee: LUOYANG YAHUI EXOSKELETON POWER-ASSISTED TECHNOLOGY CO.,LTD. Assignor: Beijing University of Technology Contract record no.: X2024980000190 Denomination of invention: A LSTM based EEG signal source localization method Granted publication date: 20210914 License type: Common License Record date: 20240105 Application publication date: 20190806 Assignee: Luoyang Lexiang Network Technology Co.,Ltd. Assignor: Beijing University of Technology Contract record no.: X2024980000083 Denomination of invention: A LSTM based EEG signal source localization method Granted publication date: 20210914 License type: Common License Record date: 20240104 |
|
| EE01 | Entry into force of recordation of patent licensing contract |